Markov Chain Monte Carlo (MCMC)
Markov Chain Monte Carlo (MCMC) er en familie af beregningsalgoritmer til sampling fra komplekse sandsynlighedsfordelinger, oftest de posteriore fordelinger, der opstår i Bayesiansk inferens. I stedet for at beregne posteriore fordelinger analytisk – hvilket sjældent er muligt for realistiske modeller – konstruerer MCMC en Markovkæde, hvis stationære fordeling er den ønskede posteriore fordeling, og trækker afhængige stikprøver fra den, hvilket muliggør fuld probabilistisk inferens for stort set enhver model.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Kilder
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Brooks, S., Gelman, A., Jones, G. & Meng, X.-L. (Eds.). (2011). Handbook of Markov Chain Monte Carlo. CRC Press. ISBN: 978-1420079418
Sådan citerer du denne side
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/da/bayesian/mcmc
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiansk ModelaveragingBayesiansk↔ compare
- Bayesiansk regressionBayesiansk↔ compare
- VariationsinferensBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →